面向联邦学习的无人机轨迹与资源联合优化

• Published in: 计算机工程与应用 Vol. 60; no. 11; pp. 336 - 345
• Main Authors: 姚献财, 郑建超, 郑鑫, 杨小龙
• Format: Journal Article
• Language: Chinese
• Published: 军事科学院 国防科技创新研究院,北京 100071%北京信息科技大学 信息与通信工程学院,北京 100101 01.06.2024
• Subjects: 资源分配; resource allocation; federal learning; unmanned aerial vehicles(UAVs); reducing energy consumption; 无人机群; 降低能耗; 轨迹优化; trajectory optimization; 联邦学习
• ISSN: 1002-8331
• DOI: 10.3778/j.issn.1002-8331.2302-0383

TP391.75; 无人机(unmanned aerial vehicle,UAV)因其机动、灵活的特点被广泛地应用于搜索、跟踪等任务.在任务执行过程中会产生的大量数据,通过机器学习(machine learning,ML)算法加以利用,可以显著提高无人机集群的智能.联邦学习(federated learning,FL)作为一种分布式机器学习架构,因训练过程中只需要进行模型参数传输,更加适用于带宽和能量预算有限的无人机网络.为充分发挥无人机网络中联邦学习的优势,从影响训练能耗的带宽、计算频率、联邦学习精度和训练延迟等因素进行建模,通过联合优化训练参数设置、无人机轨迹、无人机网络中通信以及计算资源分配来最小化联邦学习整体的训练能耗.提出的联合优化算法将所建模的混合整数非线性规划问题(mixed integer nonlinear integer programming problem,MINLP)分解为三个子问题,并对非凸的子问题进行转化,通过逐次凸逼近(successive convex approximation,SCA)和块坐标下降等方式求得问题的次优解.仿真结果表明,在满足训练精度、无人机运动和联邦学习延迟等约束的基础上,提出的算法与现有的联合训练与资源优化的方案相比,降低无人机的整体训练能耗15%以上.